NotebookLM 跟通用 AI 差在哪
| 面向 | NotebookLM | ChatGPT / Claude 等通用 AI |
|---|---|---|
| 資料來源 | 只用你上傳的文件 | 訓練資料＋上網（依設定） |
| 編造風險 | 低，答案綁定來源 | 中，需自行查證 |
| 出處標註 | 每句可點回原文段落 | 多半無或需另外要求 |
| 創意發想 | 弱 | 強 |
| 文件容納量 | 大量文件可同時分析 | 受單次脈絡長度限制 |
| 適合工作 | 查核、彙整、引用 | 生成、改寫、發想 |
最關鍵的一句話：NotebookLM 的「限制」就是它的賣點。它不會自由發揮，所以你敢把它的輸出直接放進提案。
8 個實測商用場景
場景 1：競品財報與年報拆解
把三到五家競品的年報、法說會簡報全丟進去，然後問「這三家對明年市場的看法差在哪」。它會分別引用各家原文，你可以直接點回去確認沒有被曲解。
場景 2：客戶訪談逐字稿整理
10 場訪談逐字稿一次上傳，問「受訪者提到最多的三個痛點是什麼、各有誰講過」。傳統作法要花一整天，現在是幾分鐘，而且每個結論都附上是誰在第幾段講的。
場景 3：法規與合約比對
把個資法、特管法、廣告相關規範一起上傳，問「這段文案有沒有觸法風險」。注意它只能依據你給的法條回答，法規有無更新要自己確認。
場景 4：產品手冊轉成客服知識庫
上傳全系列產品手冊，讓它整理出常見問題與標準回覆。產出可以直接當客服訓練教材的初稿。
場景 5：大量問卷開放題歸類
把幾百筆開放式回答貼進去，請它歸納主題並統計各主題出現頻率。比人工編碼快，但數量統計要自己複核（見下方限制）。
場景 6：提案前的資料庫
把客戶提供的簡報、產業報告、過往結案報告全部放進同一個 notebook，寫提案時隨時問、隨時取出處。這是它最直接提升效率的用法。
場景 7：內部教材與 SOP 整理
把散落在各處的操作說明、會議決議、流程文件集中上傳，請它整理成新人訓練教材大綱。
場景 8：音訊摘要（通勤消化）
它能把資料轉成兩人對談形式的音訊。適合在通勤時先建立概念，但中文的自然度與資訊密度仍不如英文版本，重要內容建議還是看文字。
3 個它做不到的事
- 不能主動上網找新資料。它只看你給的文件，市場最新動態、即時數據要自己蒐集後餵進去
- 創意發想弱。你要它想 20 個活動點子，產出會很平。因為它被設計成不要離開來源，這跟發散思考本質衝突
- 跨文件的複雜運算不穩。「把這 12 份報表的數字加總並算年增率」這種任務，業界估算 出錯機率不低，數字類工作請用試算表或讓它列出數字後自己算
【導入 5 問】
- 你的工作有多少比例是「在文件裡找答案」？比例越高投報率越高
- 你的輸出需不需要標註出處？需要的話 NotebookLM 幾乎無可取代
- 你的資料能不能上傳？客戶機密與個資要先確認合約與內部規範
- 你有沒有整理文件的習慣？垃圾進垃圾出，來源品質決定輸出品質
- 你分得清楚什麼時候該用通用 AI 嗎？用錯工具會得到很差的印象
【決策樹】這個任務該用哪個工具
Q1：答案在不在你手上的文件裡？ ├─ 在 → NotebookLM └─ 不在，需要外部知識 → 通用 AI 或搜尋 Q2：輸出需要標出處嗎？ ├─ 要（提案、法遵、研究）→ NotebookLM └─ 不要（發想、改寫、草稿）→ 通用 AI Q3：任務性質？ ├─ 彙整、比對、查核 → NotebookLM ├─ 生成、創意、風格改寫 → 通用 AI └─ 數字運算 → 都不要，用試算表
【常見 3 錯誤】
- 錯誤 1：當成 ChatGPT 用。要它「幫我想十個標題」會得到很平的結果，然後你就誤以為這工具不好用
- 錯誤 2：上傳前不整理。把 200 份不相干的檔案倒進同一個 notebook，答案品質會明顯下降。一個 notebook 對應一個主題
- 錯誤 3：數字直接信。跨文件的加總與百分比計算要自己複核，這是目前最容易出錯的地方
【檢核】使用前打勾表
- ☐ 這個任務的答案確實在我上傳的文件裡
- ☐ 一個 notebook 只放一個主題的資料
- ☐ 上傳的資料沒有違反客戶保密或個資規範
- ☐ 重要結論我有點回原文確認過
- ☐ 數字類結果我有另外複核
結論：它不是更好的 ChatGPT，是完全不同的工具
把 NotebookLM 當成通用 AI 用，一定會失望。它的設計哲學是「寧可說不知道，也不要編」，代價是創意與發散能力弱，換來的是每一句話都能追溯出處。對行銷工作的意義很實際：寫提案引用產業報告、整理客戶訪談、比對法規，這些「不能編」的場景，它是目前投報率最高的工具。至於想標題、寫文案、發想活動，請回去用通用 AI，兩個工具一起用才是正解。